教你玩轉(zhuǎn)每道菜背后的大數(shù)據(jù)(上篇):餐飲行業(yè)數(shù)據(jù)運(yùn)營的時代已來臨

BDP
4 評論 44437 瀏覽 128 收藏 13 分鐘

這是一篇關(guān)于餐飲行業(yè)數(shù)據(jù)分析的重磅干貨,能切實幫助餐飲領(lǐng)域的運(yùn)營童鞋解決:如何砍菜單、如何管理用戶、甚至如何降低發(fā)短信廣告成本等常見問題。就算你不做餐飲行業(yè)的運(yùn)營,這篇文章也能手把手的教你通過數(shù)據(jù)分析的方法,科學(xué)合理的做用戶分群、監(jiān)測留存率、以實現(xiàn)精細(xì)化運(yùn)營,這可是每個互聯(lián)網(wǎng)公司都想做的事情。

全文共8147字,整體閱讀時間40-50分鐘,本次推送將全文分成了上中下三篇 ——

  • 上篇主要內(nèi)容有:1.餐飲行業(yè)數(shù)據(jù)運(yùn)營的時代已來臨. 2.如何構(gòu)建數(shù)據(jù)運(yùn)營監(jiān)測中心。共2163字。
  • 中篇主要內(nèi)容有:3.如何通過波士頓矩陣分析,砍掉菜單里不受歡迎的菜品。 4.如何通過分析用戶購買行為,確定菜品是“留客”還是“趕客”。共2145字。
  • 下篇主要內(nèi)容有:5.如何通過RFM模型,為用戶分群,實現(xiàn)精細(xì)化運(yùn)營 6.不得不考慮的用戶獲取成本 。共3839字。

餐飲行業(yè)數(shù)據(jù)運(yùn)營的時代已來臨

1.餐飲行業(yè)對數(shù)據(jù)運(yùn)營概念缺失

餐飲行業(yè)是一個歷史悠久的行業(yè),我相信每一位掌柜的腦袋里,都有一副“算盤”時刻盤算著門店的運(yùn)營情況,但絕大部分掌柜真的只把“算盤”存在腦海里,這也是為什么在餐飲行業(yè)里,大家一直會聽到這樣的困惑:“一家店盈利,三家店打平,再開下去就虧了”。只憑一人的腦力,很難計算統(tǒng)籌如此多門店的利潤,是時候用更科學(xué)的手段,讓電腦幫忙去盤算生意了。

雖然電腦盤算生意需要成本模型,不同的餐飲行業(yè),成本模型也不同。但我想本質(zhì)是相通的,餐飲行業(yè)有四個重要節(jié)點“進(jìn)、銷、存、管理運(yùn)營”,這些數(shù)據(jù)都不難獲得,要求一線員工記錄到位,進(jìn)銷存數(shù)據(jù)就能落到紙面上。

基礎(chǔ)數(shù)據(jù)有了,大多數(shù)掌柜卻只做月結(jié)匯總,忽略了整個過程,很多潛在的盈虧改善點就是這樣被錯過的。比如:某掌柜月結(jié)匯總是發(fā)現(xiàn)本月采購量遠(yuǎn)遠(yuǎn)大于銷售量,卻沒辦法追溯原因。某掌柜月結(jié)匯總時才發(fā)現(xiàn),大蒜上星期處在歷史最低價,卻沒能及時囤貨,現(xiàn)在漲回來了,后悔莫及。

想要發(fā)現(xiàn)這些機(jī)會,純靠人腦監(jiān)控計算太難,更好方法還是讓電腦來幫忙記錄數(shù)據(jù)、給出分析。

2.互聯(lián)網(wǎng)外賣行業(yè)的興起,促使商家開始了解數(shù)據(jù)運(yùn)營

2014年,互聯(lián)網(wǎng)外賣送餐O2O開啟了一場戰(zhàn)爭。那時一家驢肉火燒的老板告訴我,平臺每單起步補(bǔ)貼能達(dá)到12元,而他家的驢肉火燒本來就賣12元,為了避免爆單,老板不得不提價到15元去賣。更何況,那時不止一個平臺給補(bǔ)貼。

餐飲商家由此開啟了多平臺外賣之路,但商家對多外賣平臺的局面,可謂又愛又恨。愛多外賣平臺帶來的機(jī)會,恨每天需要在多個平臺維護(hù)商品、處理評價、申報滿減、活動、對賬、調(diào)整庫存……甚至每天賣了多少錢,都得多個平臺統(tǒng)籌計算才知道,那叫一個累啊。

這種形式,卻也讓之前只習(xí)慣月結(jié)匯總的掌柜,開始關(guān)注每天的流水、每家外賣平臺的客流量,互聯(lián)網(wǎng)外賣行業(yè)的興起,逼著掌柜們走向了數(shù)據(jù)運(yùn)營之路。

3.外賣平臺多,數(shù)據(jù)亂,無法滿足數(shù)據(jù)運(yùn)營要求

懶是人類第一生產(chǎn)力,更是程序員的第一生產(chǎn)力。我在踏入餐飲行業(yè)后,第一個需要克服的問題,就是如何在多外賣平臺的情況下,提高數(shù)據(jù)處理的效率。

簡言之,就是幫助掌柜們跨平臺計算外賣訂單量、客流量、庫存量,甚至監(jiān)控單個菜品的售賣情況、商家菜品打折的活動情況……

為此,我調(diào)研過市面上10余款餐飲系統(tǒng)、多平臺系統(tǒng)。也接觸過一些融合系統(tǒng),結(jié)果都令人失望。畢竟大多數(shù)外賣平臺自身就在快速迭代,開放接口不完善不穩(wěn)定、抓出來的數(shù)據(jù)也三天兩頭出問題。建立于其上的融合系統(tǒng)就更是BUG頻出。

所以我決定建立一個靈活、便捷、且能夠監(jiān)控多渠道的數(shù)據(jù)監(jiān)測中心。

如何構(gòu)建數(shù)據(jù)運(yùn)營監(jiān)測中心

一個正常的數(shù)據(jù)系統(tǒng)構(gòu)建流程,應(yīng)該包括:確定需求、獲取數(shù)據(jù)、清洗數(shù)據(jù)、分析建模、解讀表達(dá)、可視化等等,這也是我原本的構(gòu)想,但這個完整的過程太復(fù)雜,大家的興趣并不大。

那么,我先分享如何通過BDP構(gòu)建屬于自己的數(shù)據(jù)運(yùn)營監(jiān)測中心,有機(jī)會再分享如何建立一個完整的數(shù)據(jù)系統(tǒng)。

1.如何根據(jù)訂單數(shù)據(jù)建立分析模型,建模有何用?

餐飲行業(yè)的訂單數(shù)據(jù)包含很多基礎(chǔ)信息,我們需要從不同視角去分析解讀這些信息,用以輔助決策。

通常,一條訂單中至少包含時間、來自哪個外賣平臺、菜品名稱、菜品數(shù)量、價格5個數(shù)據(jù)屬性,如果我們構(gòu)想一個數(shù)據(jù)立方體(DATA CUB)出來,這些屬性就是立方體的維度。

雖然只有下單時間、菜品名稱、平臺三個維度。但根據(jù)這個立方體,已經(jīng)能解決很多掌柜急需了解的問題了。

比如:

  • 年報、季報、周報、日報我都能查看嗎?(鉆取,上卷)
  • 能查看任意時間段下,某道菜品甚至幾道菜品的銷量對比嗎?(切片、切塊)
  • 能全局觀察,對比幾個外賣平臺的銷售情況嗎?(旋轉(zhuǎn))

但實際上,訂單還會包含菜品數(shù)量、價格、送餐地點等數(shù)據(jù),集合這些數(shù)據(jù),可以構(gòu)建出一個多維數(shù)據(jù)模型(畫不出來),姑且先用這個立方體做例子。

2.一家餐館,需要具備哪些“視角”以分析數(shù)據(jù)

“橫看成嶺側(cè)成峰”是對置身于數(shù)據(jù)海洋最形象的形容,不同的視角能得到不同答案。為了能全面了解和分析經(jīng)營情況,我們固化了十多個常用“視角”:分別包括:

訂單分析、周訂單分布、月訂單分布、菜品銷量分析、流量分析、用戶跨平臺分析、用戶平臺對比、配送分析、評價詞云。

其中的每一個儀表盤,都能拆分出不同的表格,以做便于詳細(xì)對比。其中的每一個儀表盤,都能拆分出不同的表格,并提供不同的切片、切塊視圖,配備了全局篩選(主要是時間和平臺)可以對整個儀表盤內(nèi)的圖做同一控制。

如訂單分析就包含了:

訂單量、平臺訂單對比、分平臺訂單量

另外,平臺的任意一個圖標(biāo)都可以展開查看更多細(xì)節(jié),可以實時做出更豐富的篩選、鉆取、上卷、排序等變換。

7

如何通過數(shù)據(jù)分析合理調(diào)整菜單

其實每一條訂單數(shù)據(jù)都包含著一個重要信息:菜品明細(xì),雖然這類信息在獲取上因為跨平臺的問題,歸納整理起來很麻煩,但整理好這些數(shù)據(jù),卻能輔助我們做很多決策。

1.通過數(shù)據(jù)分析,確定主力銷售菜品

總結(jié)幾大平臺的數(shù)據(jù)之后,我們可以總結(jié)出一張菜品銷量走勢圖,并由觀察銷售金額累計、平臺銷售數(shù)量累計,查看哪些菜品使我們的核心菜品、哪些是我們的主要銷售平臺。并根據(jù)這個結(jié)果,調(diào)整菜單、調(diào)整平臺投入力度。

8

通過分析時間線上銷售金額,我們還可以觀察一道菜品在促銷、調(diào)價等活動后的售賣情況,及時做出調(diào)整。

11

2.通過數(shù)據(jù)分析,了解套餐配菜是否合理

如果你的餐廳里也有單品和套餐,相信你也會關(guān)心究竟用戶是單品點的多,還是套餐點的多。

10

也可以檢查套餐配菜是否符合用戶訴求

11

3.通過數(shù)據(jù)分析,調(diào)整菜單排序

解析用戶收單最愛點哪道菜也非常重要,反復(fù)參考這些拉新效果好的菜品,以調(diào)整外賣APP的菜單排序,這將有助于整體提高門店的下單轉(zhuǎn)化率。

12

找到新用戶收單最愛點哪些菜品后,可以繼續(xù)分析原因——

是哪些因素讓菜品脫穎而出呢?價格?圖片?描述?首單用戶是在沒吃過這道菜的情況下,根據(jù)菜單在外賣APP上的呈現(xiàn)效果點菜的,調(diào)整外賣APP的菜單呈現(xiàn),也有助于提升轉(zhuǎn)化率。

13

 

作者:Kener-林峰,數(shù)據(jù)可視化領(lǐng)域?qū)<?,北郵計算機(jī)、國家重點實驗室交換與智能控制研究中心、前百度資深研發(fā)工程師,百度數(shù)據(jù)可視化方向奠基人之一,鳳巢業(yè)務(wù)系統(tǒng)前端技術(shù)leader,Echarts 作者

本文由 @Kener-林峰?原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可,禁止轉(zhuǎn)載。

更多精彩內(nèi)容,請關(guān)注人人都是產(chǎn)品經(jīng)理微信公眾號或下載App
評論
評論請登錄
  1. 你好,可以私下聊聊嗎?

    來自內(nèi)蒙古 回復(fù)
  2. 文中您提到層調(diào)研過數(shù)幾個餐飲系統(tǒng),能說一下都有哪些嗎?據(jù)我了解都有側(cè)重提供相關(guān)的數(shù)據(jù)統(tǒng)計分析

    來自廣東 回復(fù)
  3. 您好!請問中篇和下篇什么時候能夠發(fā)布,我比較期待 ??

    來自浙江 回復(fù)
  4. 請教一下,你是用什么做數(shù)據(jù)可視化呈現(xiàn)的

    來自廣東 回復(fù)